论文部分内容阅读
赤霉病是小麦生产过程中的一种主要病害,常常导致小麦产量损失及品质下降。在常规的赤霉病病害评估中,主要通过有经验的农学专家或者技术员根据经验评估病害严重度,存在耗时、费力且效率低的问题,难以适应该病害快速防治的实时性与准确性要求。因此,研究小麦生育期中赤霉病严重度的准确和快速诊断对预防小麦赤霉病十分重要。高光谱成像,具有融合图谱信息的数据优势,在作物病害快速检测中具有技术优势。目前,由于缺乏针对小麦赤霉病病情快速、准确的检测方法,本文尝试结合图像处理、光谱指数构建及深度学习技术,探索小麦赤霉病病情识别方法,以期为该病害的科学防治及灾后损失评估提供技术支撑。本文主要开展的研究工作如下:(一)构建一种新型赤霉病病情指数FDI(Fusarium Disease Index,简称FDI)。在分析374~1000 nm范围内染病麦穗光谱差异的基础上,提出一种适用于关键生长期的新型赤霉病光谱指数FDI。利用随机森林算法对扬花期、灌浆期以及两个生育期的整体样本进行波段筛选,以正向权重系数最高和负向权重系数最低的特征波段形成的归一化波长差构建赤霉病病情指数FDI。研究发现,(1)不同生育期的赤霉病敏感波段主要位于560~6809)9)9)9)范围。以确定的敏感波段计算FDI指数,与不同生长期的赤霉病病情严重度(Severity index,SI)建立线性回归模型,训练集和测试集得到的决定系数R~2均在0.90以上,优于常见的17种病害光谱指数。(2)在扬花期、灌浆期的模型精度(决定系数R~2为0.94和0.96)优于整体样本的R~2(0.90);利用整体样本的模型对单个生育期测试集的预测效果(R~2分别为0.82,0.94)低于单个生育期各自模型预测的效果。(二)融合麦穗双面图谱特征的小麦赤霉病严重度识别。考虑麦穗的立体生长结构,提取其正反两面(A、B面)的光谱与图像特征进行病害严重度识别。首先,(1)利用PCA算法筛选出1~6主成分分量下的单波段图像,采用双树复小波与灰度共生矩阵算法分别提取均值、标准差、熵、能量等图像纹理特征;(2)提取RGB与YDbDr颜色空间的颜色特征(包含一阶矩、二阶矩和三阶矩),由上确定麦穗的图像特征。其次,(1)通过GBDT算法进行图像与光谱特征权重筛选,采用顺序向后选择方法(SBS)确定图像与光谱的最优特征;(2)利用随机森林算法建立不同特征数据的回归模型。研究发现,麦穗单面(A面或B面)的光谱与图像特征建立的模型中,全部光谱特征建立的模型、全部图像特征模型以及双面图谱融合特征模型的决定系数依次递增,其中,综合双面图谱特征信息建立的模型具有最高的决定系数R~2=0.89和最低的均方根误差RMSE=6.52。最后,利用双面综合图谱特征建立轻量级卷积神经网络模型,探索深度学习方法预测该病害的效果。研究发现,轻量级卷积神经网络模型的决定系数R~2=0.97(RMSE=3.78),相比偏最小二乘回归和支持向量回归建立的模型,具有最高的决定系数与最低的均方根误差。综上所述,本文构建的新型赤霉病病情指数FDI和验证的轻量级卷积神经网络模型,能够为小麦赤霉病病情的快速、准确检测提供方法支持,具有较好的应用前景。